[发明专利]基于进化元学习模型训练的小样本特征分析方法及装置

说明书

本发明提供一种基于进化元学习模型训练的小样本特征分析方法、装置、电子设备及存储介质，其中，基于进化元学习模型训练的小样本特征分析方法包括：获取基类样本集合，以及目标样本集合；基于所述基类样本集合，利用第一神经网络模型进行训练，得到预训练参数；基于所述基类样本集合和所述预训练参数，利用进化元学习模型训练方法对第二神经网络模型进行训练，得到通用模型参数，其中，所述第二神经网络模型与所述第一神经网络模型的特征层具有相同的网络结构；基于所述目标样本集合和所述通用模型参数，对所述第二神经网络模型进行调节，得到目标神经网络模型。本方法能够提高小样本条件下小样本特征分析的效果。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于进化元学习模型训练的小样本特征分析方法、装置、电子设备及存储介质。

背景技术

随着机器学习技术的发展，机器学习几乎遍布到了各个应用领域，例如，军事领域、金融领域、医学领域及零件缺陷检查领域等。但是在上述领域中，往往需要以小样本为基础进行相关的模型训练。例如，在金融领域异常行为诊断或者重点行业设备异常状态诊断等特殊应用场景中，发生异常属于小概率事件，无法获取大量训练样本。在医学领域疾病诊断方面，由于诸如隐私、个体差异或者高标注成本等一系列因素，通常也面临标注样本缺乏的情况。在濒危野生动物监测方面，濒危野生动物数量稀少，且大多生活在无人区，很难拍摄到典型环境和典型姿态下的图像。在高端零件缺陷检测方面，高端零件的合格率很高，缺陷零件数量很少且缺陷类型复杂多样，每种缺陷类型的样本极其稀少等等。

现有技术中，使用小样本进行分析，存在小样本特征分析效果差的问题。

发明内容

本发明提供一种基于进化元学习模型训练的小样本特征分析方法、装置、电子设备及存储介质，用以解决现有技术中小样本特征分析效果差的缺陷，实现提高了小样本特征分析的效果。

本发明提供一种基于进化元学习模型训练的小样本特征分析方法，包括：获取基类样本集合，以及目标样本集合；基于所述基类样本集合，利用第一神经网络模型进行训练，得到预训练参数；基于所述基类样本集合和所述预训练参数，利用进化元学习模型训练方法对第二神经网络模型进行训练，得到通用模型参数，其中，所述第二神经网络模型与所述第一神经网络模型的特征层具有相同的网络结构；基于所述目标样本集合和所述通用模型参数，对所述第二神经网络模型进行调节，得到目标神经网络模型。

本发明提供一种基于进化元学习模型训练的小样本特征分析方法，所述利用进化元学习模型训练方法对第二神经网络模型进行训练，得到通用模型参数包括：利用所述预训练参数中的特征层参数初始化所述第二神经网络模型的特征层参数，随机初始化所述第二神经网络模型其他网络层的参数；从所述基类样本集合中随机采样多个与所述目标样本集合的规模相当的候选样本集合，对所述第二神经网络模型进行训练，得到各个候选样本集合的模型参数，并利用测试样本得到所述模型参数对应的类别准确率；基于各个所述候选样本集合的模型参数及所述类别准确率，利用联邦计算和进化计算得到合成模型参数及后向代际各个所述候选样本集合的初始模型参数；不断执行上述步骤从所述基类样本集合中随机采样多个与所述目标样本集合的规模相当的候选样本集合，对所述第二神经网络模型进行训练，得到各个候选样本集合的模型参数，并利用测试样本得到所述模型参数对应的类别准确率，基于各个所述候选样本集合的模型参数及所述类别准确率，利用联邦计算和进化计算得到合成模型参数及后向代际各个所述候选样本集合的初始模型参数，直至神经网络模型收敛，得到所述通用模型参数。

本发明提供一种基于进化元学习模型训练的小样本特征分析方法，，所述类别准确率包括准确率统计值，所述准确率统计值的得到过程包括：从所述基类样本集合中随机采样与所述候选样本集合同样任务的样本，得到所述测试样本；利用所述测试样本对所述候选样本集合的模型参数进行有效性验证，得到分类准确率集合；对所述分类准确率集合中的各个分类准确率进行统计，得到所述准确率统计值。